[論文レビュー] Improving Automatic Skin Lesion Segmentation using Adversarial Learning based Data Augmentation

Lei Bi, Dagan Feng+1 more|arXiv (Cornell University)|Jul 23, 2018

Cutaneous Melanoma Detection and Management参考文献 16被引用数 15

ひとこと要約

本稿では、複数の複雑さレベルで多様で現実的な病変画像を生成するGANベースのデータ拡張手法を提案し、完全畳み込みネットワーク（FCN）に基づく皮膚病変セグメンテーションの性能を向上させることを目的としている。これらの敵対的生成サンプルを訓練に統合することで、特徴の多様性と耐性が向上し、ISIC 2018データセットにおいて境界精度と一般化性能が向上した。その結果、最先端の性能を達成した。

ABSTRACT

Segmentation of skin lesions is considered as an important step in computer aided diagnosis (CAD) for automated melanoma diagnosis. In recent years, segmentation methods based on fully convolutional networks (FCN) have achieved great success in general images. This success is primarily due to the leveraging of large labelled datasets to learn features that correspond to the shallow appearance as well as the deep semantics of the images. However, the dependence on large dataset does not translate well into medical images. To improve the FCN performance for skin lesion segmentations, researchers attempted to use specific cost functions or add post-processing algorithms to refine the coarse boundaries of the FCN results. However, the performance of these methods is heavily reliant on the tuning of many parameters and post-processing techniques. In this paper, we leverage the state-of-the-art image feature learning method of generative adversarial network (GAN) for its inherent ability to produce consistent and realistic image features by using deep neural networks and adversarial learning concept. We improve upon GAN such that skin lesion features can be learned at different level of complexities, in a controlled manner. The outputs from our method is then augmented to the existing FCN training data, thus increasing the overall feature diversity. We evaluated our method on the ISIC 2018 skin lesion segmentation challenge dataset and showed that it was more accurate and robust when compared to the existing skin lesion segmentation methods.

研究の動機と目的

• 医療セグメンテーションタスクにおけるアノテート済み皮膚病変画像の多様性と不足の問題に対処すること。
• 広範なハイパーパrameterチューニングに依存せずに、FCNベースのセグメンテーションモデルの一般化性能と境界精度を向上させること。
• 現実的な皮膚病変画像を生成可能な制御可能で多段階の敵対的データ拡張フレームワークを開発すること。
• 本手法の有効性をISIC 2018皮膚病変セグメンテーションチャレンジデータセット上で評価すること。
• セグメンテーションパイプラインにおける後処理や手動によるパrameterチューニングへの依存度を低減すること。

提案手法

• 入力のセグメンテーションマスクを条件として、現実的な皮膚病変画像を生成する条件付き生成敵対ネットワーク（cGAN）を設計した。
• 生成サンプルの高リアルさと特徴の一貫性を確保するため、敵対的損失を用いてGANを訓練した。
• テクスチャ、形状、コントラストなどの、複雑さの異なるレベルで病変特徴を制御可能に生成できるようにした。
• 生成画像を元の訓練データセットに統合することで、特徴の多様性を向上させ、FCNの一般化性能を向上させた。
• 敵対的訓練プロセスには、本物の画像と生成画像を区別するディスクラミネーターが含まれており、現実的な特徴の学習を促進した。
• 最終的なモデルは、本物と生成されたデータを組み合わせたデータセット上でファインチューニングされ、セグメンテーション性能が向上した。

実験結果

リサーチクエスチョン

• RQ1 敵対的学習は、FCNベースのセグメンテーションを向上させるために、現実的で多様な皮膚病変画像を生成できるか？
• RQ2 多段階的かつ制御可能なデータ拡張は、皮膚病変セグメンテーションにおける境界検出性能を向上させるか？
• RQ3 提案手法は、後処理や手動によるハイパーパrameterチューニングへの依存度を低減できるか？
• RQ4 ISIC 2018ベンチマークにおいて、既存の最先端手法と比較して本手法はどのように性能を発揮するか？
• RQ5 敵対的データ拡張により、未観測の皮膚病変の外観に対してもモデルの一般化性能が向上するか？

主な発見

• 提案手法は、ベースラインのFCNおよび他の最先端手法と比較して、ISIC 2018チャレンジデータセットにおいて優れたセグメンテーション性能を達成した。
• モデルは境界精度が向上し、微細な病変輪郭の予測誤差が低減した。
• GANで生成されたサンプルの統合により、訓練データの多様性が向上し、モデルの耐性が強化された。
• 本手法は、広範な後処理や手動によるパrameterチューニングを必要とせず、既存の手法を上回った。
• アブレーションスタディの結果、病変特徴の制御可能で多段階の生成が性能向上に顕著に寄与したことが確認された。
• 結果から、限られたアノテート済みデータにおける医療画像セグメンテーションにおいて、敵対的データ拡張は実用的で効果的な戦略であると示された。